# zhuanche

**Repository Path**: gandli/zhuanche

## Basic Information

- **Project Name**: zhuanche
- **Description**: No description available
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-17
- **Last Updated**: 2025-11-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 🚗 专车运假多模型车辆筛查系统

一个基于机器学习的智能交通风险预警与异常行为识别平台，专门用于分析和识别可能运输违法货物的车辆。

## 📋 项目概述

本系统通过分析ETC通行记录数据，运用多种无监督机器学习算法，识别具有异常行为模式的车辆，为交通管理部门提供智能化的风险预警和决策支持。

## ✨ 主要功能

### 🔍 多模型异常检测

- **Isolation Forest**: 基于随机森林的异常检测
- **Local Outlier Factor**: 局部异常因子检测
- **DBSCAN**: 密度聚类异常检测
- **One-Class SVM**: 单类支持向量机
- **Elliptic Envelope**: 椭圆包络异常检测
- **XGBoost Outlier**: 基于XGBoost的异常检测（可选）

### 📊 智能风险评估

- 多维度车辆行为特征分析
- 自定义权重的风险评分系统
- 实时风险等级分类

### 📈 可视化分析

- 交互式数据展示
- 车辆轨迹时间序列分析
- 通行模式可视化
- 模型结果对比分析

### ⚙️ 参数调优

- 实时调整模型参数
- 自定义异常检测阈值
- 灵活的权重配置

### 🛣️ 轨迹分析

- 车辆行驶路径分析
- 时间模式识别
- 夜间通行行为分析

## 🚀 技术特点

- **无监督学习**: 无需标注数据即可识别异常模式
- **多维特征**: 综合考虑时间、空间、频次等多个维度
- **实时处理**: 支持大规模数据的快速分析
- **智能预警**: 自动识别高风险车辆并提供预警
- **高德地图集成**: 实时计算真实距离和行驶速度

## 📦 安装要求

### Python 版本

- Python 3.7+

### 依赖包

```bash
pip install -r requirements.txt
```

主要依赖：

- streamlit
- pandas
- numpy
- scikit-learn
- plotly
- requests
- xgboost (可选)

## 🔧 配置说明

### 高德地图API配置

1. 在高德开放平台申请API密钥
2. 在Streamlit secrets中配置：

```toml
# .streamlit/secrets.toml
AMAP_API_KEY = "your_amap_api_key_here"
```

## 🎯 使用方法

### 启动应用

```bash
streamlit run app.py
```

### 数据源选择

系统支持两种数据输入方式：

1. **上传文件**: 上传Excel格式的ETC通行记录
2. **使用内置示例数据**: 快速体验系统功能

### 数据格式要求

Excel文件应包含以下列：

- 车牌 (plate)
- 车型 (vehicle_type)
- 入口收费站 (entry_station)
- 入口时间 (entry_time)
- 出口收费站 (exit_station)
- 出口时间 (exit_time)

### 操作步骤

1. 选择数据源（上传文件或使用示例数据）
2. 在侧边栏配置模型参数
3. 选择要使用的异常检测模型
4. 查看分析结果和可疑车辆列表
5. 深入分析特定车辆的详细轨迹

## 📊 分析维度

### 车辆行为特征

- **通行频次**: 总通行次数、日均通行次数
- **时间模式**: 夜间通行比例、连续夜间通行天数
- **空间特征**: 平均距离、最大距离、总距离
- **速度特征**: 平均速度、最大速度、高速通行次数
- **活跃度**: 活跃天数、最大单日通行次数

### 风险评估指标

- 频繁通行权重
- 夜间通行权重
- 高速驾驶权重
- 综合可疑度评分

## 🔍 模型说明

### Isolation Forest

- **原理**: 通过随机分割数据空间识别异常点
- **适用场景**: 大规模数据的快速异常检测
- **优势**: 计算效率高，对异常值敏感

### Local Outlier Factor

- **原理**: 基于局部密度的异常检测
- **适用场景**: 识别局部异常模式
- **优势**: 能够发现密度变化的异常

### DBSCAN

- **原理**: 基于密度的聚类算法
- **适用场景**: 发现任意形状的异常簇
- **优势**: 无需预设异常数量

### One-Class SVM

- **原理**: 单类支持向量机
- **适用场景**: 高维数据异常检测
- **优势**: 理论基础扎实，泛化能力强

### Elliptic Envelope

- **原理**: 假设数据服从多元高斯分布
- **适用场景**: 连续特征的异常检测
- **优势**: 对高斯分布数据效果好

### XGBoost Outlier

- **原理**: 基于梯度提升的异常检测
- **适用场景**: 复杂模式的异常识别
- **优势**: 强大的非线性建模能力

## 📁 项目结构

```
zhuanche/
├── app.py                 # 主应用程序
├── requirements.txt       # 依赖包列表
├── README.md             # 项目说明文档
├── .gitignore           # Git忽略文件
└── data/                # 数据目录
    └── 4月15号到今天云霄、火田、常山到营前、漳港、潭头、松下所有小车往返数据.xlsx
```

## 🛡️ 安全说明

- 请妥善保管高德地图API密钥
- 不要在代码中硬编码敏感信息
- 建议在生产环境中使用环境变量或密钥管理服务

## 🤝 贡献指南

欢迎提交Issue和Pull Request来改进项目！

## 📄 许可证

本项目采用MIT许可证。

## 📞 联系方式

如有问题或建议，请通过以下方式联系：

- 提交GitHub Issue
- 发送邮件至项目维护者

---

**注意**: 本系统仅用于辅助分析，最终的执法决策应结合人工判断和其他证据。